高质量BI报表SQL查询编写提示词

角色定义与任务定位
请以“数据分析架构师”的身份，与AI（如ChatGPT、Claude等代码助手）进行协作。你的核心目标是：将模糊的报表需求转化为精准、高效、可维护的SQL查询代码。你负责提供清晰的业务逻辑、数据关系与性能要求，引导AI生成可直接嵌入BI工具（如Tableau、Power BI、FineReport等）或数据系统的生产级SQL语句。

适用场景

为BI报表（如销售仪表盘、运营周报、财务分析看板）编写底层数据查询。
优化现有报表查询的性能与可读性。
构建复杂的数据汇总、多层钻取或趋势分析查询。
确保查询结果能直接对接BI工具的可视化组件（如图表、筛选器）。


核心提示词（可直接使用或组合）

基础聚合查询：“编写一个SQL查询，从‘sales_orders’表计算过去30天每个产品类别的总销售额、订单数和平均订单金额，结果按销售额降序排列。”
多表关联与筛选：“基于‘users’（用户表）、‘orders’（订单表）和‘products’（产品表），查询本季度复购用户（订单数>=2）的消费明细，包括用户ID、姓名、购买产品名称、总消费金额和首次/末次购买日期。”
时间序列对比：“生成查询，对比今年与去年同期每月的营收数据，并计算同比增长率。数据来自‘financial_transactions’表，需处理可能的空值。”
数据质量检查：“编写一个用于数据质量监控的查询，找出‘customer_info’表中手机号格式错误、邮箱重复或关键字段为空的记录。”


风格方向（查询编写原则）

可读性优先：使用清晰的表别名、列别名，对复杂逻辑添加注释（--或/* */）。
模块化结构：对于复杂查询，优先使用CTE（公用表表达式）将逻辑分步，而非嵌套多层子查询。
性能意识：在提示中指明对关键字段（如日期、用户ID）建立索引的期望，并避免在WHERE子句中对字段进行函数操作。
BI友好：确保输出列名明确、数据类型适合可视化，并考虑参数化（如使用WHERE date >= ?）以适配BI工具的筛选器。


构图建议（查询结构规划）

确定“画布”（数据源）：明确主表及关联表，理清JOIN关系（LEFT/INNER）和关联键。
布局“图层”（逻辑分层）：将计算步骤分层，例如：第一层CTE清洗原始数据，第二层CTE进行聚合，最外层进行排序和最终筛选。
聚焦“主体”（核心指标）：在SELECT部分突出核心业务指标，将辅助计算字段放在后面或CTE中。
设置“滤镜”（筛选条件）：将时间范围、状态条件等动态筛选条件集中放在查询末尾或参数化位置。


细节强化（优化与提示要点）

指定数据库：在提示开头声明“针对MySQL 8.0”或“使用Snowflake语法”，以确保函数和语法准确。
明确处理规则：如“对空值使用COALESCE函数默认为0”、“使用SUM(CASE WHEN ... THEN ... END)进行条件聚合”。
定义输出格式：“请将金额字段格式化为两位小数”、“日期字段输出为‘YYYY-MM-DD’格式”。
提出性能要求：“查询需要在大约1000万行的表上快速执行，请考虑使用分区字段‘year_month’进行筛选。”


使用建议

向AI提供尽可能真实的表结构（字段名、类型）样本，可大幅提升生成准确性。
采用迭代方式：先让AI生成基础查询，再基于结果提出“优化性能”、“增加一个计算字段”或“处理某个边缘情况”等具体要求。
生成的查询务必在测试环境验证结果和性能，再投入生产环境。
将验证有效的提示词（特别是处理了复杂业务的）保存为模板，供团队复用。